博客水木

想要入坑数据科学而又不知如何开始吗？先看看这篇使用的数据科学入门数学指南吧！ 数学就像一个章鱼：它的「触手」可以触及到几乎所有学科。虽然有些学科只是沾了点数学的边，但有些学科则被数学的「触手」紧紧缠住。数据科学就属于后者。如果你想从事数据科学工作，你就必须解决数学问题。如果你已经获得了数学学位或...继续阅读

模型的训练、调参是一项非常费时费力的工作，了解神经网络内部的数学原理有利于快速找出问题所在。本文作者从零开始，一步一步讲解了训练神经网络时所用到的数学过程。 神经网络是线性模块和非线性模块的巧妙排列。当聪明地选择并连接这些模块时，我们就得到了一个强大的工具来逼近任何一个数学函数，如一个能够借助非...继续阅读

推荐算法，从名字上来看简单易懂，就是推荐相关的算法。它是机器学习下的一个分支，主要依靠大量结构化数据分析出用户购买的内在特点，用这些特点的集合来作为给用户推荐产品的依据。 当你反复搜索某产品时，系统会根据你的搜索记录推荐同类目下的其他产品，这些推荐一般都是你想要买的。但是作为机器学习技术从业者的笔...继续阅读

灰度测试是什么意思呢？ 灰度测试就是指如果软件要在不久的将来推出一个全新的功能，或者做一次比较重大的改版的话，要先进行一个小范围的尝试工作，然后再慢慢放量，直到这个全新的功能覆盖到所有的系统用户，也就是说在新功能上线的黑白之间有一个灰，所以这种方法也通常被称为灰度测试。类似于我们通常所说的内测。...继续阅读

这是一篇计算机视觉入门指南，从概念、原理、用例等角度介绍了计算机视觉。 「机器能够模拟人类视觉系统」的幻想已经过时了。自 1960 年代第一批学术论文出现以来，计算机视觉已经走了很远，现代系统已经出现，且它们可以集成到移动应用中。 今天，由于其广泛应用和巨大潜力，计算机视觉成为最热的人工智能和机器学...继续阅读

通过互联网学习意味着可以在无垠的知识海洋中遨游，但也可能因为广阔而迷失。在这个项目中，作者为机器学习提供了一个完整的学习路径。从 ML 到 DL、Scikit-Learn 到 TensorFlow，你需要这份学海指南。 曾有多少次，当你试图接近某一个新主题或领域时，会感到困惑、迷失方向并且无「路」可循。要如何确保你能够深刻理解...继续阅读

机器学习开发者需要了解的 12 种概率分布，这些你都了解吗？ 机器学习有其独特的数学基础，我们用微积分来处理变化无限小的函数，并计算它们的变化；我们使用线性代数来处理计算过程；我们还用概率论与统计学建模不确定性。在这其中，概率论有其独特的地位，模型的预测结果、学习过程、学习目标都可以通过概率的角度来...继续阅读

如何通过免费方式学习数据科学？数据科学家 Rebecca Vickery 从技术能力、理论和实践经验三个方面入手介绍了自己的经验。 在传统教育机构中读硕士学位的平均成本差不多在 3 万到 12 万美元之间。在线数据科学学位课程也不便宜，最低成本为 9000 美元。如果你想学数据科学，但支付不起这笔费用，应该怎么办呢？ 我在成...继续阅读

自然语言处理路线图详解，从数学基础、语言基础到模型和算法，这是你该了解的知识领域。 自然语言处理很多时候都是一门综合性的学问，它远远不止机器学习算法。相比图像或语音，文本的变化更加复杂，例如从预处理来看，NLP 就要求我们根据对数据的理解定制一种流程。而且相比图像等更偏向感知的智能，自然语言包含更高一...继续阅读

想学 AI 又担心没有数学背景或软件背景？没关系，这篇博客非常适合你。 我曾经花费一年半的时间自学各种在线课程和博客，过程中有太多专家、太多信息，而且他们的很多观点还有冲突。我在学习过程中经常充满自我怀疑。 我不想要很多专家帮我学习，我只想要一个老师。我希望有人能够拉着我的手说：「Dave，这就是你需要学的...继续阅读